数字化油田：让大数据真实可见

发布时间：2017-03-29 来源：控制工程网

　　由于传感器和其它测量仪表技术的重大发展进步，再加上网络、数据存储技术的提升，上游和中游供应商具有可以从钻探和其它运行活动中收集堆积如山的数据的能力（见图1）。

图1：运营商正越来越多地应用大数据分析，以获取对它们油田资产性能有价值的信息。图片来源：Yokogawa

　　然而，利用这些数据来改善过程结果，则是另一回事了。在许多情况下，数据存放在运行人员用于保存时序数据的过程历史数据库中。然而，这种形式的软件基础设施并不是特别适合进行复杂的分析，或作为识别设备故障的基本指标。   
　　事实上，从历史数据中提取数据最常用的方法就是使用基本分析工具，如电子表格。该方法将历史数据导出到电子表格中。然后对这一数据进行手动分析，创建静态报告，并通过管理系统发送给决策人员。
　　这种方法依赖人工来识别有实际意义的趋势，使用电子表格从海量数据中获得有用的信息，是一项耗时和劳动密集型的艰巨工作。使用电子表格进行数据分析，运行人员很难用其进行实时决策，确定如何管理运行活动，因为这会导致事后维护、更高的成本、还会增加停机时间。
　　近年来，为了解决“ 数据丰富、但信息却贫乏 ”的尴尬问题（见图2），越来越多的运营商开始对历史数据库进行大数据分析。

图2：许多油田公司有丰富的数据，但信息贫乏，这就需要寻找更好的方法来分析它们的过程历史数据库。图片来源：Seeq

　　通过聚集、语境和信息可视化，大数据分析平台使公司得以迅速评估其资产的性能和健康，其速度取决于工程和分析人员研究的速度。他们还提供识别有实际意义趋势、以及确定何时何地设备最有可能发生问题的能力，这两者是优化维修计划和提高运营效率的关键。
　　ESP故障诊断
　　大数据分析应用的的一个例子就是应用于油田的电动半潜水泵（ESP）。
　　当油田储层压力过低时，必须采用人工提升系统将流体输送到地表，以提高生产效率。ESP是一种非常可靠的、并且应用快速增长的最新人工提升系统，在世界范围内，约有15%至20%的油井使用ESP。ESP故障所造成的后果十分严重，因为它往往导致计划外停机，造成生产损失，并且更换成本较高。
　　先进的油田运营商，实时监控关键ESP的性能参数。井下监控单元发送大量与井口和管线压力、进出口压力、井口温度、电机电流、电机振动等相关的数据流。监控软件就可以据此查找问题，如腐蚀、不断增加的水侵蚀、自由气体吸入量、和沙粒杂质的管理。
　　从井下监测系统获取的实时测量数据，通常保存在诸如OSIsoft公司的PI或霍尼韦尔公司的PHD等时序历史数据库软件中。这些数据用于分析，并在控制屏上显示，运行专家负责监视。过去因为需要IT、控制系统和技术工程技能，对ESP应用预测分析软件成本较高。从历史数据库中获得的数据，一般会被复制到总历史数据库或企业数据仓库中。
　　此外，数据科学家和事件处理专家需要创建特定的规则、统计模型、控制图，和其它分析方法来预测生产问题和ESP故障。由于该领域也在不断发生变化，因此分析方法也必须跟着进行调整、调节和升级，这一切都由软件开发商完成。如果不这样做，可能会造成频繁无效的警报，这会使运营商丧失使用该系统的信心，或者导致完全错过可能发生的重大问题。
　　最近几年，由于用户友好的分析软件解决方案已经投入市场，这种情况已经大大改观。该方法侧重于开发直观的工具，工程师利用它可以更好的了解设备、传感器、油田运行的历史。
　　软件工具使工程师能够利用对异常工况管理、设备可靠性和工业资产性能管理的深入理解，快速从过程历史数据库的数据中创建有用的信息。
　　在软件模型中，数据保留在历史数据库中。为标签元数据创建索引，创建统计模型，使运营商可以预测何时可能发生故障。间歇性测量信号或者不稳定的传感器测量所造成的运行状态的变化，会导致错误的历史数据库数据，该软件自带的数据清洗功能可以自动过滤这些数据。这样工程师就能够监视ESP性能和识别出可能会导致故障的前兆信息（见图3）。

图3：利用可视化的分析技术，数据分析使工程师能够通过某些信息识别前兆故障和其它微妙的变化。图片来源：Seeq

　　当参数偏离正常工作限值时，平台会提醒控制人员，这样就可以采取积极步骤，以尽量减少设备故障的影响。其结果是增加了泵的运行时间，延长使用寿命，优化生产。
　　此外，由于能够更有效地维护ESP，平均故障间隔时间也增加了。这样与维修相关的劳动力成本就减少了，从而可以更好地利用资源，优化备件库存，并更有效地利用营运资本。
　　监测井下钻探
　　大数据分析也可应用于油田资产周围的物理环境。比如在钻井作业中，我们可以看到表面传感器监测井下条件，并将数据传输到表面以便做出决策。
　　通过沉积物积累、渗透率、水透明度、热梯度、差压分析软件等与油井相关的历史数据，可以识别出卡管、井喷，或堵漏等常见的钻探问题。
　　实时监测传感器传输的数据流，以确保井下工况保持在正常和/或预期范围内。数据分析软件能够检测钻井环境何时进入异常状态，并提醒运行人员采取行动，以防止潜在问题发生。
　　决策者能不断优化钻井策略，因此这种早期检测方法，提供了一些运营上的优势。更重要的是它提高了井场的安全，并最大限度地减少破坏地层和周围环境的可能性。
　　确保储存交接的准确性
　　石油和天然气市场中游产业链中，大数据解决方案也有用武之地。中游公司从上游生产商获取聚烃，运行工艺设施来处理这些气体，去除杂质，并通过储运设备及管道输送这些产品。这些公司面临的一个关键挑战是跟踪流向客户的产品，这一般通过存储交接系统完成。
　　管网安装了各种流量计，产品流及气相色谱仪等与产品质量参数相关的测量仪表。SCADA（监控和数据采集系统）从这些仪表收集时序数据，并将这些数据传输到历史数据库。然后，用这些数据监控实时过程，确保管道的完整性和压缩机的性能。
　　对管道运营商同样重要的是分析从电子流量计中收集的测量数据。对大容量产品流经的中游业务，即使存在很小的测量误差，也会因为丢失或统计遗漏，对盈利能力产生很大的影响。确保仪表校准正确和不漂移是避免这类测量误差的关键。在管辖权转移时，即产品从一个公司转移到另一个公司的时候，这尤其有用。
　　确保易用性
　　近年来，在油田领域，提供大数分析方案的供应商数量大幅增加。然而，对公司来讲，如果要充分利用这些解决方案所带来的优点，易于使用就十分关键。       
　　现在，很多平台拥有强大的分析能力，但只有工作人员快速有效地与平台接口，获得可操作的信息，这些功能才能被充分利用。
　　这变得越来越重要，因为许多经验丰富的专业人士正面临退休，取而代之的是专业知识水平要低得多的年轻一代。
　　平台提供灵活的数据抽取方式，为不同专业提供定制数据，这在未来几年内，可以帮助运营商管理行业范围内的技能短缺。解决方案会促进跨部门的数据共享，使企业打破信息孤岛，并制定出更好的运营战略决策。
　　当代的数字油田，大多数公司的历史数据库中，拥有改善运营所需要的全部数据。然而，其中很多公司，仍然依赖传统的分析工具，比如利用电子表格，来创建具有可操作性的信息，但是这正变得越来越费时费力。其结果就是很多过程历史数据库没有被充分挖掘，也就无从创造价值。（作者：Michael Risse）